DeepMind 在《自然》发布 LLM 文本水印方案 SynthID-Text

Google DeepMind 团队近日在《自然》（Nature）发表论文，提出一种面向大语言模型输出的可扩展生成式水印方案 SynthID-Text。该方案引入一种新的采样算法——Tournament 采样，并已在 Gemini 与 Gemini Advanced 产线中实际部署，是首个被公开报告、在亿级用户规模生产环境中落地的 LLM 文本水印技术。

背景：水印为何成为关键问题

随着 LLM 在教育、软件开发、Web 内容生成等场景的普及，如何可靠地区分人工撰写文本与机器生成文本，成为 AI 治理的核心议题。现有的三类主要方案各有局限：

• 基于检索的方法：需要记录全部生成文本并做匹配，存储与隐私压力大；
• 事后检测（post-hoc detection）：依赖统计特征或分类器，对跨域数据表现不稳定，对非母语者等群体误报率偏高，且随着模型能力提升会逐步失效；
• 文本水印：可在生成阶段植入统计签名，检测无需访问底层模型或执行高成本计算，更适合大规模生产环境。

SynthID-Text 的核心机制

生成式水印通过修改 LLM 自回归采样过程，把细粒度、与上下文相关的扰动嵌入输出分布，使生成文本带有可统计检测的签名。SynthID-Text 沿用这一范式，但带来两点关键改进：

• 新的 Tournament 采样算法：相较此前最优方案，在保持文本质量的同时提升检测率；
• 双模式配置：可设为「无失真」（non-distortionary，不影响文本质量）或「有失真」（distortionary，以轻微质量损耗换取更强检测能力），方便在不同风险等级场景下灵活取舍。

检测阶段只需对文本做统计分析，无需再次调用 LLM，也不依赖对模型权重的访问，对闭源模型尤其友好。

产线验证与规模

论文报告了一项关键实证：在 Gemini 真实流量上对近两千万条生成回复进行大规模用户反馈评估，结果显示无失真模式 SynthID-Text 能够在不损害用户体验的前提下保持可检测性。截至论文发表，SynthID-Text 已用于水印 Gemini 与 Gemini Advanced 的全部输出，覆盖数百万用户的真实使用场景。

局限与互补空间

作者亦明确指出，SynthID-Text 并非「万能解」，论文还提出与推测式解码（speculative decoding）等加速采样技术结合的算法，以进一步降低水印对推理效率的影响。此外，文本水印、事后检测与检索方法在实际部署中往往可以组合使用，针对不同对手和威胁模型形成多层防御。

总体而言，SynthID-Text 的意义不仅在于算法本身，更在于它提供了一个可参考的工程范本：证明生成式水印能够在不牺牲质量、不显著增加成本的情况下，进入亿级用户产品并稳定运行，为后续 AI 内容标识与合规提供了可借鉴的基线。